Este relatório traz os dados gerais sobre a evolução das delegações brasileiras a conferências multilaterais de meio ambiente. Em linhas gerais, trazemos os dados sobre o tamanho das delegações e sobre o perfil das delegações.

1 Informações básicas

1.1 Versão do banco

Relatório mais recente: “2025-03-12”

Versão da planilha deleg: 2023-12-20

Versão da planilha orgs: 2023-11-23, 2023-12-20

Versão da planilha class: 2022-06-29

Versão da planilha eventos: 2023-12-14

1.2 Correções para versões futuras

Arrumar o tamanho do texto e a largura das figuras, que estão muito estreitas. Com essa largura, é inviável o facet de duas colunas (números de ano muito espremidos)

1.3 Notas para interpretação

1.3.1 Processo de coleta e limitações do banco a serem levados em consideração

  • A partir de 2015, os dados referentes às COPs da UNFCCC sofrem uma mudança importante: o Brasil passa a registrar os membros da delegação oriundos da sociedade civil como ‘party overflow’. Participantes nessa categoria não têm seu nome incluído nas listas oficiais de participantes, o que representa importante quebra nos nossos dados. Consequentemente, a diferença pré e pós 2015 nos dados de tamanho e, principalmente, perfil da delegação deve ser analisada com cautela.

  • Ao analisar alguns dados, é importante ter em mente os critérios para atribuição da organização ao participante. Quando há mais de uma organização, por exemplo, optei por classificar com a organização de menor nível (ex.: CNI e Suzano SA, vai como Suzano). Isso pode aumentar a variedade de atores, dado que empresas e ONGs muitas vezes se organizam como redes e federações. Valeria revisitar os critérios na construção do banco para ver se há outras questões relevantes, seja nessa etapa, seja na classificação de tipo_org (ex.: o que é um órgão de pesquisa? quando organização governamental é uma diferente e quando é reduzida ao órgão superior?)

2 Preparação dos dados

2.1 Preparo do banco

Antes de apresentar os dados, é preciso construir o banco principal integrando os dados dos bancos parciais (eventos, delegações, indivíduos) no R. O script para isso será incluído aqui, mas rodado de forma silenciosa.

  • Carregando as bases separadas
## Importando os dados ------------
getlatest_file <- function(basefilename){
  list.files(pattern = paste0(basefilename, "-.+\\.csv"))
}

deleg <- read_delim(getlatest_file("deleg"), 
                    ";", escape_double = FALSE, 
                    col_types = cols(
                      #X1 = col_skip()
                      ), 
                    #locale = locale(encoding = "ISO-8859-1"), 
                    trim_ws = TRUE)

orgs <- read_delim(getlatest_file("orgs"), 
                   ";", escape_double = FALSE, 
                   col_types = cols(
                     #X1 = col_skip()
                     ), 
                   locale = locale(encoding = "UTF-8"),
                   trim_ws = TRUE) %>% distinct()

class <- read_delim(getlatest_file("class"), 
                   ";", escape_double = FALSE, 
                   col_types = cols(
                     #X1 = col_skip()
                     ), 
                   locale = locale(encoding = "ISO-8859-1"), 
                   trim_ws = TRUE) %>% distinct()


eventos <- read_delim(getlatest_file("eventos"),
                      ";", escape_double = FALSE, 
                      locale = locale(encoding = "UTF-8"), 
                      trim_ws = TRUE)
  • Integrando as bases em uma
# Criando deleg_completo (deleg+orgs+class) --------
orgs_classificado <- left_join(orgs, class) %>% select(-c(org_sujo, org_detalhe_sujo))
# N de rows aumenta, porque tem orgs que ficaram apenas na class e saíram da lista orgs (foram erros na padronização e corrigidos posteriormente)
# Teste (resultado deve ser tibble vazio): left_join(orgs, class, by = "id_org_unica") %>% filter(org_limpo.x != org_limpo.y)

deleg_completo <- deleg %>% select(-c(org, org_detalhe)) %>% left_join(orgs_classificado, by = "id_org_dupla")

# Limpando deleg_completo
deleg_completo <- deleg_completo %>% mutate(across(where(is.character), str_trim))

rm(deleg, orgs, class)
  • Organizando a base de eventos
# Limpando a base dos eventos --------

### Limpar e renomear colunas
eventos <- eventos %>% 
   #retira colunas irrelevantes
  select(-c(5,8,9,15,16,17,18)) %>% # indexar por nome não estava funcionando
  # select(-c(`Código ONU`, `Comentário`,
  #           `Formato lista`, `Aberto?`, `Questões a atentar`,
  #           Corrigendum, Local)) %>%
    
    rename(#renomeia colunas
    conf = `Nome do evento`,
    conference = `Conf/Conv`,
    tema = `Regime/Tema`,
    data = Data,
    location = Locale,
    tipo_evento = `Tipo evento`,
    infMEA_list = `Lista MEA?`,
    coleta = `Coleta?`,
    proces = `Proces.?`,
    mainconf = `Principais convenções + gdes conf`
  )

eventos <- eventos %>% mutate(
  data = if_else(str_count(data)==4, #se falta o mês (só ano)
                 paste0(data, "-01"), #padroniza como janeiro
                 data)) %>% 
  mutate(
    data = if_else(is.na(data)== F,
                   paste0(data, "-01"), #padroniza data no dia 1 do mês
                   data)
  ) %>% mutate(data = lubridate::ymd(data), 
               ano = lubridate::year(lubridate::ymd(data))) 

eventos <- eventos %>% mutate(across(where(is.character), str_trim))

3 Dados básicos sobre a participação ao longo do tempo

Os dados apresentados aqui correspondem à base completa, isto é, não apenas ao período entre 1970 e 2018, para o qual houve coleta sistemática. Sendo assim, é preciso tomar cuidado extra ao interpretar dados pré 1970 e pós 2018.

A base será filtrada mais adiante. [é importante retirar pós 2018, porque os pontos de 2019 e 2020 sugerem uma tendência que não existe, o que afeta a interpretação do gráfico - algo que poderia ser estabilidade será lido como queda, por exemplo]

3.1 Tamanho das delegações ao longo do tempo

#preparar a base do tamanho deleg
deleg_evento <- left_join(deleg_completo,
                          select(eventos, c(conf, tema, ano, tipo_evento, infMEA_list)))

# identificando os eventos p/ os quais o BR nao enviou delegação:
eventos_semdeleg <- tibble(conf = setdiff(eventos[eventos$coleta=="Sim" & !is.na(eventos$coleta),]$conf, unique(deleg_completo$conf))) %>% 
  left_join(eventos) %>% 
  mutate(count = 0)

# contagem de tamanho da delegação, incluindo eventos acima como deleg_size = 0
deleg_size <- deleg_evento %>% group_by(conf, ano) %>% summarize(count = n()) %>% 
  bind_rows(select(eventos_semdeleg, c(conf, ano, count)))

# filtrando apenas delegações entre 1970 e 2018
eventos_filtrados <- eventos %>% filter(ano >= 1970 & ano <=2018) %>% pull(conf)
deleg_evento <- filter(deleg_evento, conf %in% eventos_filtrados)
deleg_size <- filter(deleg_size, conf %in% eventos_filtrados)
deleg_completo <- filter(deleg_completo, conf %in% eventos_filtrados)


stats_deleg <- deleg_size %>% group_by(ano) %>% 
  summarise(deleg_media = mean(count),
            deleg_mediana = mean(count),
            sd_deleg_size = sd(count),
            n_events = n()
            )

3.1.1 Medidas resumo do crescimento da delegação brasileira ao longo do tempo

[Talvez valesse calcular algumas medidas básicas também: crescimento médio/ano etc]

A medida mais simples para compreender o crescimento das delegações ao longo do tempo é o tamanho médio das delegações por ano.

Como usamos a média, é importante observar também a variabilidade dos dados.

O desvio padrão é baixo até a década de 1990, porque raramente há duas ou mais conferências no mesmo ano. O número de eventos cresce em seguida, mas é nos 2000 que o desvio aumenta - provavelmente puxado por conferências grandes como as de clima. A trajetória é similar à vista no tamanho médio de delegação. Não há diferença entre média e mediana, de modo que não plotei a mediana.

Vejamos também a média e o desvio padrão para cada década:

decade n_events mean sd pctile75 pctile90 max
70s 19 4.947368 6.899869 5.50 7.8 31
80s 32 2.375000 2.059596 3.25 5.9 7
90s 70 10.128571 19.529184 8.00 14.0 157
00s 89 29.685393 75.270210 11.00 70.6 564
10s 93 45.075269 163.554222 10.00 115.2 1467

E por tema.

deleg_size %>% left_join(eventos %>% select(c(conf, tema))) %>% 
  group_by(tema) %>% summarise(mean = mean(count), sd = sd(count)) %>%
  knitr::kable("simple")
tema mean sd
Biodiversidade - CBD 42.368421 49.439312
Biodiversidade - Espécies 4.160000 3.847943
Biodiversidade - Plantas 4.320000 2.764658
Biodiversidade - UNESCO 2.000000 1.632993
Clima 95.702703 126.122926
Desertificação 12.187500 12.416219
Florestas 4.763158 3.131654
Governança ambiental 4.500000 1.643168
Grandes conferências ONU 169.666667 417.123120
Lixo tóxico e químicos 7.914286 4.616922
Oceano 5.358974 1.979994
Ozônio 5.121951 2.675772

Vemos que há uma diferença clara entre um grupo de temas (CBD, Clima, Gdes conferências ONU) e os demais no tamanho das delegações. Vejamos a diferença e, em seguida, o detalhamento por década para os temas ‘menores’

deleg_size %>% left_join(eventos %>% select(c(conf, tema))) %>%
  mutate(gdestemas = if_else(
    tema %in% c("Biodiversidade - CBD", "Clima",
                "Grandes conferências ONU"),
    "Temas destaque", "Temas menores")
    ) %>% group_by(gdestemas) %>% 
  summarise(n_events = n(), mean = mean(count), sd = sd(count), 
            pctile75 = quantile(count, 0.75) %>% unname(),
            pctile90 = quantile(count, 0.9) %>% unname(),
            max = max(count)
            ) %>% 
              knitr::kable("simple")
gdestemas n_events mean sd pctile75 pctile90 max
Temas destaque 68 93.85294 198.878142 119.5 210 1467
Temas menores 235 5.66383 4.874687 7.5 10 55
deleg_size %>% left_join(eventos %>% select(c(conf, tema))) %>%
  filter(!tema %in% c("Biodiversidade - CBD", "Clima",
                       "Grandes conferências ONU")) %>% 
  mutate(decade = cut(ano, breaks = c(1970, 1979, 1989, 1999, 2009, 2019),
               include.lowest = T,
               labels = c("70s","80s","90s","00s","10s"),
               ordered_result = TRUE)) %>% 
  group_by(decade) %>% summarise(mean = mean(count), sd = sd(count)) %>% 
  knitr::kable("simple", caption = "Apenas conferências dos temas menores")
Apenas conferências dos temas menores
decade mean sd
70s 3.352941 2.892689
80s 2.387097 2.092485
90s 6.487805 8.176558
00s 6.457143 3.689726
10s 6.342105 3.917661

Para a comparação entre os temas, pareceu interessante saber também quanto cada tema representa no total dos participantes (dividido por década).

deleg_size %>% 
  left_join(eventos %>% select(c(conf, tema))) %>% 
  mutate(decade = cut(ano, breaks = c(1970, 1979, 1989, 1999, 2009, 2019),
               include.lowest = T,
               labels = c("70s","80s","90s","00s","10s"),
               ordered_result = TRUE)) %>% 
  
  group_by(decade, tema) %>%
  summarise(countsum = sum(count)) %>%
  knitr::kable("simple", caption = "Total participações por tema") 
Total participações por tema
decade tema countsum
70s Biodiversidade - Espécies 2
70s Biodiversidade - UNESCO 2
70s Florestas 11
70s Governança ambiental 12
70s Grandes conferências ONU 37
70s Oceano 30
80s Biodiversidade - CBD 2
80s Biodiversidade - Espécies 11
80s Biodiversidade - UNESCO 11
80s Florestas 15
80s Governança ambiental 9
80s Lixo tóxico e químicos 0
80s Oceano 24
80s Ozônio 4
90s Biodiversidade - CBD 69
90s Biodiversidade - Espécies 24
90s Biodiversidade - Plantas 30
90s Biodiversidade - UNESCO 3
90s Clima 169
90s Desertificação 80
90s Florestas 15
90s Grandes conferências ONU 205
90s Lixo tóxico e químicos 12
90s Oceano 27
90s Ozônio 75
00s Biodiversidade - CBD 268
00s Biodiversidade - Espécies 43
00s Biodiversidade - Plantas 42
00s Clima 1611
00s Desertificação 77
00s Florestas 31
00s Grandes conferências ONU 311
00s Lixo tóxico e químicos 116
00s Oceano 67
00s Ozônio 76
10s Biodiversidade - CBD 466
10s Biodiversidade - Espécies 24
10s Biodiversidade - Plantas 36
10s Biodiversidade - UNESCO 4
10s Clima 1761
10s Desertificação 38
10s Florestas 109
10s Governança ambiental 6
10s Grandes conferências ONU 1483
10s Lixo tóxico e químicos 149
10s Oceano 61
10s Ozônio 55

3.1.1.1 Distribuição da variável

Os dados acima sugerem que as delegações são, em sua grande maioria, pequenas, havendo apenas um número reduzido de eventos com delegações grandes. Vejamos como a variável deleg_size está distribuída.

## Warning: Removed 19 rows containing non-finite outside the scale range
## (`stat_bin()`).
## Warning: Removed 2 rows containing missing values or values outside the scale range
## (`geom_bar()`).

Quantis e valores de corte
x
50% 6.00
70% 8.00
80% 10.00
90% 32.60
95% 126.40
99% 285.94
100% 1467.00

Vemos que mais de 50% das delegações têm até 6 membros. Se chegamos a 10, esse percentual já chega a 80%. Apenas o top 10% de tamanho têm mais de 30 (sendo 303 o total de delegações, isso significa cerca de 30! - são 34 eventos com 30 ou mais)

As medidas-resumo permitem ver a tendência, mas ainda escondem a variação e a quantidade de dados por trás da medida. Para visualizar esses pontos, recorremos aos gráficos de dispersão.

Como se vê, a variação a partir dos anos 2000 é muito maior. A média (linha vermelha) não parece uma descrição muito boa dos dados.

3.1.2 Desagregando as delegações: gráficos de dispersão

No gráfico de dispersão abaixo, cada círculo corresponde a um evento. Cores variam conforme o tema do evento, e eventos ocorridos no Brasil foram marcados com um triângulo.

deleg_size <- deleg_size %>% 
  left_join(select(eventos, c(conf, location, tema))) %>% 
  mutate(
    Local = if_else(str_detect(location, "Brazil"), 
                    "Brasil", "Fora do Brasil/Sem info"),
    Tema = if_else(tema != "Clima" & tema != "Grandes conferências ONU",
                   "Outros", tema)
    ) %>% 
  mutate(
    Local = if_else(is.na(Local), "Fora do Brasil/Sem info", Local),
    Tema = if_else(tema == "Grandes conferências ONU", 
                   "Des. Sustentável", Tema)
    )

A figura mostra claramente que as conferências de clima apresentam uma tendência de ascensão nos anos 90 e 2000, seguida de uma queda acentuada pós 2009 (COP15). Após 2015, parece haver estabilidade em um novo patamar, acima do observado em décadas anteriores. A participação nas conferências de desenvolvimento sustentável da ONU (Estocolmo 72, Rio 92, Joanesburgo 2002, Rio 2012) costuma ser muito mais alta do que a nas demais conferências do período. Embora Estocolmo tenha uma delegação grande se comparada com as enviadas para os demais eventos do período (31 pessoas), trata-se de uma delegação pequena para o padrão das conferências de desenvolvimento sustentável pós 92. Note-se que há alguns eventos em verde, portanto de desenvolvimento sustentável, com delegações pequenas já depois de 90 - trata-se, aqui, das PrepComs para as grandes conferências. É esperado que a delegação nesse tipo de evento seja menor, como exploraremos mais adiante.

Nota: no site da ONU são elencadas algumas outras conferências multilaterais sobre desenvolvimento sustentável, que não foram incluídas na base. Ex.: UNGASS-19 (uma sessão especial da AG-ONU em 97, chamada de Rio+5); Cúpula de Desenvolvimento SUstentável da ONU em 2015; Como resultado das conferências, foram também criados alguns fóruns sobre o tema - alguns incluídos no tema ‘Governança ambiental’, outros não. Um deles, que deveria ter sido incluído mas não foi, é o CSD da ONU, que se reúne periodicamente. É possível que a ausência desses eventos na base infle o tema desenvolvimento sustentável - efetivamente, originalmente a categoria que destacamos no gráfico era chamada de “Grandes conferências ONU” na base.

[se julgar interessante, dar precisão a esses dados e à diferença - Estocolmo é x vezes maior que a média da década de 70 (sem unche), etc]

3.1.3 Observando mais a fundo os temas de menor destaque

Vejamos se, ao retirar os eventos de clima e as grandes conferências de desenvolvimento sustentável, podemos discernir algum padrão nas delegações dos temas de menor visibilidade.

## Joining with `by = join_by(conf, tema)`

O próximo gráfico mostra apenas as conferências de biodiversidade, que apresentam um patamar de participação superior aos demais temas. Para todo o período, a delegação média nas conferências de biodiversidade é de 13.1265823. Se observarmos apenas os eventos da CDB, 42.3684211

## Joining with `by = join_by(conf, tema)`
## `geom_smooth()` using formula = 'y ~ x'

Vemos que a CBD claramente tem um patamar de participação mais elevado que os demais eventos de biodiversidade, cujas delegações seguem o padrão das conferências mais “técnicas” - raramente passando dos 10 delegados. Houve um grande crescimento das delegações à CBD ao compararmos a década de 90 e 2000 (nos 90, a delegação média é de 9.8571429; nos 2000 44.6666667; na década de 2010, 93.2). Essa evolução é semelhante à observada na arena de clima, mas aparece de forma menos clara (e menos intensa) em biodiversidade. A variação entre eventos é maior na CBD, o que provavelmente reflete seu caráter bianual (ao invés de anual, como na UNFCCC) e a maior dificuldade de manter a visibilidade do tema.

Observemos, agora, as delegações aos eventos com outros temas:

Vemos que, à exceção de Clima, Biodiversidade, e das grandes Conferências de Desenvolvimento Sustentável, os temas seguem praticamente a mesma tendência. Há relativa estabilidade, com um número baixo de participantes por delegação. A única exceção foi a 3ª COP da Convenção de Desertificação, realizada em Recife em 1999, para a qual o Brasil enviou 55 representantes. Se observamos a linha de tendência (uma loess), vemos que houve um leve aumento no tamanho da delegação a partir da segunda metade dos 90 e, especialmente, dos anos 2000.

Apesar do número reduzido de observações em alguns temas, vemos uma leve tendência de crescimento na participação nas áreas de Ozônio e de Lixo Tóxico e Químicos. Nos demais casos, a julgar por nossos dados, a variação não parece ser significativa o suficiente para ser caracterizada como uma tendência.

3.1.4 Dividindo os tipos de conferência

4 Perfil das delegações ao longo do tempo

4.1 Número e diversidade de organizações

Os dados sobre o número e tipo das organizações participantes (sem olhar para a quantidade de indivíduos pertencentes à organização) nos dão uma primeira noção sobre a diversidade das delegações brasileiras. Quanto mais organizações presentes – e quanto mais diversas entre si as organizações, ie, orgs de diferentes “tipos” – podemos dizer que mais diversa é a delegação brasileira no sentido de incluir atores distintos. Evidentemente, é preciso levar em conta também a diferença no espaço dado a essas organizações, o que será avaliado mais adiante (e qualitativamente na pesquisa)

Como esperado, vemos um crescimento na década de 1990, sobretudo a partir da Rio 92 e acelerando na segunda metade da década. Na década de 2000, o crescimento é acelerado, tendo um pico em 2009 (COP Clima de Copenhagen). O ponto máximo do gráfico é, de longe, 2012, quando ocorre a Rio+20. Interessante ver que a década de 2010 é um período de queda, mesmo desconsiderando o outlier 2012 e já antes da mudança na regra das delegações de clima (sociedade civil como party overflow, saindo das listas).

Cálculos pontuais para o artigo

  • Dados específicos para clima:
## Joining with `by = join_by(ano)`
dec total_orgs
00s 247
10s 376
90s 27
## Joining with `by = join_by(ano)`
pr total_orgs
Collor 7
Dilma 178
FHC 66
Itamar 3
Lula 342
Temer 54
## Joining with `by = join_by(ano)`
dec avg_numorgs
00s 49.400000
10s 64.777778
90s 6.222222
## Joining with `by = join_by(ano)`
pr avg_numorgs
Collor 5.00000
Dilma 70.20000
FHC 14.37500
Itamar 3.00000
Lula 70.37500
Temer 29.33333
  • Média de n orgs pós 2015 (incluso):
## [1] 57.25
  • Média de n orgs pós 2015 só clima (incluso):
## [1] 35.5
  • Média de n orgs biodiv pós 06 (incluso):
## [1] 34
  • Média de n orgs por tema (desconsidera anos em que nao há orgs, ie, nao ha evento no tema):
tema mean
Biodiversidade - CBD 17.647059
Biodiversidade - Espécies 2.684210
Biodiversidade - Plantas 2.363636
Biodiversidade - UNESCO 1.125000
Clima 41.464286
Desertificação 4.133333
Florestas 2.769231
Governança ambiental 1.833333
Grandes conferências ONU 60.111111
Lixo tóxico e químicos 7.800000
Oceano 3.483871
Ozônio 3.903226

Olhando os gráficos acima, notamos que o crescimento no número de organizações é praticamente todo derivado das conferências de clima. As grandes conferências de desenvolvimento sustentável da ONU também têm impacto relevante, mas ocorrem de maneira mais espaçada, gerando picos importantes - em particular, o da Rio+20.

O número de organizações presentes na Rio+20 é claramente um outlier que dificulta a visualização das tendências nos demais temas. Enquanto em clima, o tema com maior número de organizações, vemos um pico da ordem de 100 atores, a Rio+20 registra em torno de 400. Para melhor observar a variação nos demais temas, geramos um gráfico sem as conferências de desenvolvimento sustentável.

A dinâmica no número de organizações distintas na delegação é similar, mas levemente distinta da observada no tamanho das delegações. Em clima, vemos dinâmica similar de crescimento seguido de queda no início da década de 2010, com um repique posterior. Há, porém, algumas diferenças. O pico no número de organizações é 2010, não 2009, como em deleg_size. Em seguida, temos uma queda, e a diversidade volta a crescer em 2013, atingindo o pico em 2014 (pré-Paris). De Paris em diante, temos uma grande queda - essa queda é, no entanto, artificial: de Paris em diante, a sociedade civil passa a ser classificada como party overflow, saindo das listas de participantes. Em biodiversidade, o número de organizações cresce significativamente na segunda metade dos 2000. Essa é a mesma dinâmica observada no tamanho da delegação à CBD. O gráfico tem leitura prejudicada pela grande variação entre os anos – isso decorre do fato de as COPs da CDB serem (modo geral) bianuais. Em anos ímpares, os pontos refletem as convenções da International Plant Convention, uma convenção de muito menor visibilidade e reuniões menores.

Vemos que, para praticamente todos os temas da agenda internacional ambiental, o número de organizações presentes nas delegações é muito baixo (menos de 10 organizações - lembrando que órgãos distintos do governo contam como organizações distintas) e praticamente constante (as variações que vemos são, em larga medida, as variações na frequência de eventos).

Na área de biodiversidade, vemos o mesmo padrão de participação relativamente constante, mas o número de organizações é significativamente maior, chegando a cerca de 50.

[ver o máximo e calcular a média!]

O impulso no número de organizações é, portanto, uma tendência restrita à área de clima, o que sugere uma atenção especial ao tema na pesquisa.

4.1.1 Evolução do número de organizações por tipo

Vale a pena observar se há diferença na tendência de evolução a depender do tipo de organização. Na figura abaixo, eliminamos o MRE e o Legislativo, por terem um número quase constante (MRE é sempre 1, Legislativo, no máximo 2). Também foram excluídas as organizaçoes da categoria residual “Outros”, de número reduzido, e “Sem informação” (uma única “organização”, também constante).

[talvez valesse a pena refazer os cálculos de modo a manter os anos nos quais não ocorrem reuniões do tema como NA - estão como delegação vazia aqui, e isso pode induzir a interpretações equivocadas (a linha, por exemplo, fica mais errática quando nao precisaria ser assim)]

Observando os dados, vemos que o crescimento inicia na década de 90. Atinge novo patamar na segunda metade dos 2000, mas é algo episódico nesse momento - picos de 2012 e 2009, com grande variação. O crescimento é maior entre sociedade civil etc (ONGs) e empresas. Todos os não-governamentais são afetados pós 2015, mas subnacional se mantém na lista (ie, não vira party overflow). Sabemos que, até 2018, segue havendo a participação social, ao menos da parte das ONGs, mas provavelmente também das empresas.

4.2 Número e diversidade de indivíduos

[Pra fazer esse, é preciso importar a planilha de individuos]

4.3 Participação do MRE nas delegações

[nesse trecho, valeria refinar essa questão do tamanho da delegação. não dá pra ver tão bem no gráfico as diferenças, só as gigantes]

4.3.1 Parcela do MRE no total das delegações

MRE_conf <- deleg_evento %>% group_by(conf, ano, tipo_org_reduzido) %>% 
  summarise(count = n()) %>% 
  ungroup %>%
  complete(tipo_org_reduzido, nesting(conf, ano),
           fill = list(count = 0)) %>%
  group_by(conf) %>%
  mutate(deleg_size = sum(count),
         percentual = count/sum(count)) %>% ungroup()

#retirar eventos com 100% nao identificado
MRE_conf[MRE_conf$tipo_org_reduzido == "Não identificado" & MRE_conf$percentual == 1,]$conf -> eventosexcl

MRE_conf <- MRE_conf %>% filter(! conf %in% eventosexcl) %>% 
  filter(tipo_org_reduzido == "Governo federal MRE") %>% 
  left_join(select(eventos, c(conf, location, tema, tipo_evento))) %>% 
  mutate(Local = if_else(str_detect(location, "Brazil"), "Brasil", "Fora do Brasil"),
         Tema = case_when (
           tema == "Clima" ~ "Clima",
           tema == "Grandes conferências ONU" ~ "Des. Sustentável",
           str_detect(tema, "Biodiversidade - CBD") ~ "Biodiversidade",
           tema != "Clima" & tema != "Grandes conferências ONU" & #tema != "Florestas" ~ "Outros"
             tema != "Biodiversidade" ~ "Outros"
         )
         )

Abaixo vemos como o % do MRE na delegação muda ao longo do tempo. A figura abaixo mostra como, a partir dos anos 90, as delegações passam a ter menor concentração do MRE - os pontos passam a se concentrar mais na parte inferior do gráfico.

Para facilitar a visualização dessas tendências e das diferenças entre temas, acrescentamos ao gráfico linhas de regressão loess para cada tema.

Nota-se que, para os três temas destacados, a participação relativa do MRE caiu vertiginosamente.

Acrescentamos ainda uma tabela resumindo os dados da distribuição do % MRE por década.

MRE_conf <- MRE_conf %>% 
  mutate(decade = cut(ano, breaks = c(1970, 1979, 1989, 1999, 2009, 2019),
                      include.lowest = T,
                      labels = c("70s","80s","90s","00s","10s"), 
                      ordered_result = TRUE
                      ),
         FaixaPct = cut(percentual, breaks = c(0, 0.25, 0.5, 0.75, 1),
                        include.lowest = T, ordered_result = T,
                        labels = c("0-25%", "25-50%", "50-75%", "75-100%")
                        )
         )

# MRE_conf %>% group_by(decade, FaixaPct) %>% summarise(count = n()) # apresentação alternativa

knitr::kable(table(MRE_conf$FaixaPct, MRE_conf$decade),
             label = "Distribuição dos eventos por % de participantes vinculados ao MRE")
70s 80s 90s 00s 10s
0-25% 3 3 12 38 39
25-50% 6 10 27 35 28
50-75% 1 1 19 6 9
75-100% 5 10 4 4 7

4.3.1.1 Relação entre tamanho da delegação e percentual da delegação vinculada a MRE

É preciso levar em conta, porém, que as conferências com maiores delegações, naturalmente, trazem um percentual menor de representantes do MRE. À medida que crescem os participantes nos eventos, o MRE não cresce de forma proporcional - pelo contrário, como mostra a figura abaixo, o declínio é exponencial.

Vale observar se há algum padrão diferente nos dados quando analisamos delegações maiores ou menores. As delegações são, em sua maioria, muito pequenas. Para a esmagadora maioria dos eventos, o Brasil envia menos de 10 participantes.

Quartis do tamanho das delegações: 1, 4, 6, 9, 1467

Vejamos a evolução do % MRE ao longo do tempo, dividindo os dados pelo tamanho da delegação.

#criando variavel quartil
MRE_conf$sizequart <- ntile(MRE_conf$deleg_size, 4)
MRE_conf$namequart <- ""
MRE_conf[MRE_conf$sizequart == 1,]$namequart <- "Q1 - Até 4 participantes"
MRE_conf[MRE_conf$sizequart == 2,]$namequart <- "Q2 - 5 a 7 participantes"
MRE_conf[MRE_conf$sizequart == 3,]$namequart <- "Q3 - 8 a 10 participantes"
MRE_conf[MRE_conf$sizequart == 4,]$namequart <- "Q4 - 11 a 1490 participantes"

#criando divisao propria por tamanho (1 a 20, 21 a 100, 101+)
MRE_conf$sizefacet <- cut(MRE_conf$deleg_size, 
                          breaks = c(0, 20, 100, 
                                     max(MRE_conf$deleg_size))
                          )

MRE_conf$sizefacet2 <- cut(MRE_conf$deleg_size, 
                          breaks = c(0, 10, 30, 100, 
                                     max(MRE_conf$deleg_size))
                          )
## `geom_smooth()` using formula = 'y ~ x'

Correlação entre tamanho da delegação e percentual MRE
namequart Correl MeanDelegSize SDDelegSize MeanPctMRE SDPctMRE
Q1 - Até 4 participantes -0.1032706 2.462687 0.9265177 0.4987562 0.3633842
Q2 - 5 a 7 participantes 0.1739305 5.014925 0.7685590 0.4482587 0.2703367
Q3 - 8 a 10 participantes -0.2948943 7.537313 0.9427291 0.4087894 0.1874086
Q4 - 11 a 1490 participantes -0.4081579 99.000000 200.2715080 0.1978632 0.1302099
Correlação entre tamanho da delegação e percentual MRE
sizefacet Correl MeanDelegSize SDDelegSize MeanPctMRE SDPctMRE
(0,20] -0.2344797 5.982684 3.475336 0.4320150 0.2723463
(20,100] -0.4123103 53.529412 26.842405 0.1485922 0.0972389
(100,1.47e+03] -0.2423982 276.210526 310.836073 0.0829644 0.0460079
## `geom_smooth()` using formula = 'y ~ x'

Ao analisar os dados separando-os por tamanho total da delegação, vemos que, para as delegações pequenas (até 20 participantes), não podemos afirmar que o percentual de delegados vinculados ao MRE vem diminuindo ao longo do tempo. A tendência observada anteriormente é sobretudo vinculada às conferências com maiores delegações, que se tornaram mais comuns a partir da década de 2000 - em particular, na área de clima. O declínio também é visível nas delegações entre 20 e 50 participantes, mas o baixo número de observações nesse intervalo enfraquece eventuais inferências.

Testando com uma categoria extra e outra divisão de tamanho

## `geom_smooth()` using formula = 'y ~ x'

## `geom_smooth()` using formula = 'y ~ x'

Checando a distribuição das categorias ao longo do tempo

table(MRE_conf$sizefacet2, MRE_conf$decade) %>% knitr::kable(label = "Distribuição dos eventos por tamanho de delegação e década")
70s 80s 90s 00s 10s
(0,10] 13 24 54 60 61
(10,30] 1 0 5 10 7
(30,100] 1 0 2 5 5
(100,1.47e+03] 0 0 1 8 10
table(MRE_conf$sizefacet, MRE_conf$decade) %>% knitr::kable(label = "Distribuição dos eventos por tamanho de delegação e década")
70s 80s 90s 00s 10s
(0,20] 14 24 57 68 68
(20,100] 1 0 4 7 5
(100,1.47e+03] 0 0 1 8 10
MRE_conf %>% group_by(sizefacet2) %>% summarise(correl = cor(deleg_size, percentual)) %>% 
  knitr::kable(label = "Correlação de Pearson entre tamanho da delegação e % MRE")
sizefacet2 correl
(0,10] -0.1763978
(10,30] -0.3782735
(30,100] -0.4280327
(100,1.47e+03] -0.2423982
MRE_conf %>% group_by(sizefacet) %>% summarise(correl = cor(deleg_size, percentual)) %>% 
  knitr::kable(label = "Correlação de Pearson entre tamanho da delegação e % MRE")
sizefacet correl
(0,20] -0.2344797
(20,100] -0.4123103
(100,1.47e+03] -0.2423982
cor(MRE_conf$deleg_size, MRE_conf$percentual) %>% 
  knitr::kable(label = "Correlação de Pearson entre tamanho da delegação e % MRE (total)")
x
-0.2403881

Observando dados específicos para cada categoria

MRE_conf %>% group_by(sizefacet2) %>% summarise(max = max(percentual), min = min(percentual),
                                                avg = mean(percentual), sd = sd(percentual),
                                                n = n())  %>% 
  knitr::kable(caption = "Medidas resumo por categoria")
Medidas resumo por categoria
sizefacet2 max min avg sd n
(0,10] 1.0000000 0.0000000 0.4452568 0.2789729 212
(10,30] 0.4545455 0.0769231 0.2653449 0.1037578 23
(30,100] 0.4516129 0.0545455 0.1403202 0.1065464 13
(100,1.47e+03] 0.2165605 0.0408998 0.0829644 0.0460079 19
MRE_conf %>% group_by(sizefacet2, decade) %>% summarise(max = max(percentual), min = min(percentual),
                                                avg = mean(percentual), sd = sd(percentual),
                                                n = n()) %>% 
  knitr::kable(caption = "Medidas resumo por categoria e década")
## `summarise()` has grouped output by 'sizefacet2'. You can override using the
## `.groups` argument.
Medidas resumo por categoria e década
sizefacet2 decade max min avg sd n
(0,10] 70s 1.0000000 0.0000000 0.5520147 0.3661791 13
(0,10] 80s 1.0000000 0.0000000 0.6178571 0.3553294 24
(0,10] 90s 1.0000000 0.0000000 0.4988977 0.2045065 54
(0,10] 00s 1.0000000 0.0000000 0.3416204 0.2431474 60
(0,10] 10s 1.0000000 0.0000000 0.4090489 0.2726599 61
(10,30] 70s 0.2727273 0.2727273 0.2727273 NA 1
(10,30] 90s 0.4545455 0.2000000 0.2679201 0.1054497 5
(10,30] 00s 0.4545455 0.0769231 0.2296723 0.1175979 10
(10,30] 10s 0.4375000 0.1875000 0.3134116 0.0805371 7
(30,100] 70s 0.4516129 0.4516129 0.4516129 NA 1
(30,100] 90s 0.2121212 0.0545455 0.1333333 0.1114229 2
(30,100] 00s 0.1093750 0.0750000 0.0930667 0.0135543 5
(30,100] 10s 0.2162162 0.0609756 0.1281100 0.0595081 5
(100,1.47e+03] 90s 0.2165605 0.2165605 0.2165605 NA 1
(100,1.47e+03] 00s 0.1130742 0.0413223 0.0649068 0.0253419 8
(100,1.47e+03] 10s 0.1843318 0.0408998 0.0840509 0.0382060 10
MRE_conf %>% group_by(sizefacet2, ano) %>% summarise(max = max(percentual), min = min(percentual),
                                                avg = mean(percentual), sd = sd(percentual),
                                                n = n()) %>% 
  knitr::kable(caption = "Medidas resumo por categoria para anos específicos")
## `summarise()` has grouped output by 'sizefacet2'. You can override using the
## `.groups` argument.
Medidas resumo por categoria para anos específicos
sizefacet2 ano max min avg sd n
(0,10] 1970 0.8333333 0.8333333 0.8333333 NA 1
(0,10] 1972 1.0000000 1.0000000 1.0000000 NA 1
(0,10] 1973 0.4000000 0.4000000 0.4000000 NA 1
(0,10] 1974 0.5000000 0.5000000 0.5000000 NA 1
(0,10] 1975 0.8000000 0.6666667 0.7333333 0.0942809 2
(0,10] 1976 0.0000000 0.0000000 0.0000000 NA 1
(0,10] 1977 0.5000000 0.5000000 0.5000000 NA 1
(0,10] 1978 1.0000000 0.1428571 0.5714286 0.6060915 2
(0,10] 1979 1.0000000 0.0000000 0.4444444 0.5091751 3
(0,10] 1980 1.0000000 0.8333333 0.9444444 0.0962250 3
(0,10] 1981 0.0000000 0.0000000 0.0000000 NA 1
(0,10] 1982 0.5000000 0.3333333 0.4166667 0.1178511 2
(0,10] 1983 1.0000000 1.0000000 1.0000000 0.0000000 2
(0,10] 1984 0.3333333 0.3333333 0.3333333 NA 1
(0,10] 1985 1.0000000 0.0000000 0.4821429 0.4098075 4
(0,10] 1986 0.5000000 0.5000000 0.5000000 NA 1
(0,10] 1987 1.0000000 0.0000000 0.5000000 0.5000000 3
(0,10] 1988 1.0000000 0.5000000 0.8333333 0.2886751 3
(0,10] 1989 1.0000000 0.3333333 0.6000000 0.3030707 4
(0,10] 1990 0.7500000 0.3333333 0.5937500 0.1812221 4
(0,10] 1991 0.6666667 0.0000000 0.4624339 0.2288744 9
(0,10] 1992 0.8000000 0.3333333 0.6133333 0.1725624 5
(0,10] 1993 0.8000000 0.4000000 0.6444444 0.1310923 6
(0,10] 1994 1.0000000 0.3000000 0.6195238 0.2978114 5
(0,10] 1995 0.8000000 0.2857143 0.4660317 0.2081079 5
(0,10] 1996 0.6000000 0.2500000 0.4763889 0.1563719 4
(0,10] 1997 0.5000000 0.2857143 0.3869048 0.0959793 4
(0,10] 1998 0.6666667 0.2500000 0.4158163 0.1471907 7
(0,10] 1999 0.5000000 0.0000000 0.3357143 0.2136896 5
(0,10] 2000 0.5000000 0.1111111 0.3325397 0.1416274 8
(0,10] 2001 0.6666667 0.3333333 0.4680556 0.1434124 6
(0,10] 2002 1.0000000 0.0000000 0.4434524 0.3293501 6
(0,10] 2003 0.4285714 0.0000000 0.2142857 0.1844278 4
(0,10] 2004 0.6666667 0.0000000 0.4047619 0.2497164 6
(0,10] 2005 0.8000000 0.0000000 0.3380952 0.3163689 7
(0,10] 2006 0.5714286 0.0000000 0.3003968 0.2100346 5
(0,10] 2007 1.0000000 0.0000000 0.4537037 0.3823525 6
(0,10] 2008 0.3750000 0.0000000 0.2360450 0.1330023 6
(0,10] 2009 0.4000000 0.0000000 0.1791667 0.1646334 6
(0,10] 2010 0.8000000 0.0000000 0.4166667 0.2979560 6
(0,10] 2011 1.0000000 0.0000000 0.3819986 0.2890754 11
(0,10] 2012 0.7500000 0.0000000 0.3458995 0.3513321 6
(0,10] 2013 0.6000000 0.1666667 0.3350340 0.1403666 7
(0,10] 2014 0.5714286 0.0000000 0.3514739 0.2067794 7
(0,10] 2015 1.0000000 0.0000000 0.4077381 0.3795014 8
(0,10] 2016 0.8571429 0.2500000 0.4595238 0.2248204 6
(0,10] 2017 1.0000000 0.2000000 0.5333333 0.2621211 6
(0,10] 2018 1.0000000 0.2500000 0.5375000 0.3250000 4
(10,30] 1973 0.2727273 0.2727273 0.2727273 NA 1
(10,30] 1994 0.4545455 0.4545455 0.4545455 NA 1
(10,30] 1995 0.2307692 0.2307692 0.2307692 NA 1
(10,30] 1996 0.2400000 0.2400000 0.2400000 NA 1
(10,30] 1997 0.2142857 0.2142857 0.2142857 NA 1
(10,30] 1999 0.2000000 0.2000000 0.2000000 NA 1
(10,30] 2002 0.2727273 0.1666667 0.2020202 0.0612341 3
(10,30] 2003 0.3333333 0.3333333 0.3333333 NA 1
(10,30] 2004 0.0952381 0.0952381 0.0952381 NA 1
(10,30] 2005 0.0769231 0.0769231 0.0769231 NA 1
(10,30] 2007 0.4545455 0.1578947 0.3062201 0.2097637 2
(10,30] 2009 0.3000000 0.2727273 0.2863636 0.0192847 2
(10,30] 2012 0.3076923 0.3076923 0.3076923 NA 1
(10,30] 2013 0.4375000 0.3846154 0.4110577 0.0373951 2
(10,30] 2015 0.2941176 0.2941176 0.2941176 NA 1
(10,30] 2017 0.3157895 0.1875000 0.2516447 0.0907144 2
(10,30] 2018 0.2666667 0.2666667 0.2666667 NA 1
(30,100] 1972 0.4516129 0.4516129 0.4516129 NA 1
(30,100] 1998 0.2121212 0.2121212 0.2121212 NA 1
(30,100] 1999 0.0545455 0.0545455 0.0545455 NA 1
(30,100] 2000 0.1093750 0.1093750 0.1093750 NA 1
(30,100] 2001 0.0869565 0.0750000 0.0809783 0.0084545 2
(30,100] 2003 0.0909091 0.0909091 0.0909091 NA 1
(30,100] 2008 0.1030928 0.1030928 0.1030928 NA 1
(30,100] 2012 0.2162162 0.2162162 0.2162162 NA 1
(30,100] 2014 0.0909091 0.0909091 0.0909091 NA 1
(30,100] 2016 0.1500000 0.1500000 0.1500000 NA 1
(30,100] 2018 0.1224490 0.0609756 0.0917123 0.0434682 2
(100,1.47e+03] 1992 0.2165605 0.2165605 0.2165605 NA 1
(100,1.47e+03] 2002 0.1130742 0.1130742 0.1130742 NA 1
(100,1.47e+03] 2004 0.0724638 0.0724638 0.0724638 NA 1
(100,1.47e+03] 2005 0.0503597 0.0503597 0.0503597 NA 1
(100,1.47e+03] 2006 0.0619469 0.0413223 0.0516346 0.0145838 2
(100,1.47e+03] 2007 0.0890052 0.0890052 0.0890052 NA 1
(100,1.47e+03] 2008 0.0432099 0.0432099 0.0432099 NA 1
(100,1.47e+03] 2009 0.0478723 0.0478723 0.0478723 NA 1
(100,1.47e+03] 2010 0.0844156 0.0737327 0.0790742 0.0075539 2
(100,1.47e+03] 2011 0.0669643 0.0669643 0.0669643 NA 1
(100,1.47e+03] 2012 0.0840336 0.0408998 0.0624667 0.0305002 2
(100,1.47e+03] 2013 0.0845070 0.0845070 0.0845070 NA 1
(100,1.47e+03] 2014 0.0664336 0.0664336 0.0664336 NA 1
(100,1.47e+03] 2015 0.1843318 0.1843318 0.1843318 NA 1
(100,1.47e+03] 2016 0.0629921 0.0629921 0.0629921 NA 1
(100,1.47e+03] 2017 0.0921986 0.0921986 0.0921986 NA 1

4.3.1.2 Parcela do MRE considerando apenas delegados vinculados ao governo

Pela política do governo brasileiro de credenciar representantes não-governamentais, esse tipo de participante representa um percentual muito alto das delegações brasileiras. Isso pode distorcer o % do MRE como dado para compreender sua importância no interior das delegações, dificultando a visualização da tendência. Vejamos, então, se os dados mudam de forma significativa quando olhamos apenas para os delegados vinculados ao governo federal.

MRE_confgov <- deleg_evento %>% group_by(conf, ano, tipo_org_reduzido) %>% 
  summarise(count = n()) %>%  ungroup %>%
  complete(tipo_org_reduzido, nesting(conf, ano),
           fill = list(count = 0)) %>%
  filter(! conf %in% eventosexcl) %>% 
  filter(tipo_org_reduzido %in% c("Governo federal MRE",
                                  "Governo federal não-MRE")) %>%
  group_by(conf) %>% 
  mutate(percentual = count/sum(count), 
         deleg_size = sum(count)) %>% ungroup() %>% 
  filter(!is.na(deleg_size)) %>% #retira deleg gov vazia 
  left_join(select(eventos, c(conf, location, tema, tipo_evento))) %>%
  mutate(Local = if_else(str_detect(location, "Brazil"), "Brasil", "Fora do Brasil"),
         Tema = case_when (
           tema == "Clima" ~ "Clima",
           tema == "Grandes conferências ONU" ~ "Des. Sustentável",
           str_detect(tema, "Biodiversidade - CBD") ~ "Biodiversidade",
           tema != "Clima" & tema != "Grandes conferências ONU" & #tema != "Florestas" ~ "Outros"
             tema != "Biodiversidade - CBD" ~ "Outros"
         )
         )

Note-se que limitar a análise da delegação apenas ao governo não anula a relação verificada anteriormente, de declínio no percentual relativo do MRE à medida que aumenta o tamanho das delegações:

Correlação para delegação completa: -0.2403881 Correlação para delegação considerando apenas governo federal: -0.1811409

Acrescentamos aqui uma segunda especificação da figura, separando os eventos por tema para facilitar a visualização

Vemos que há, na segunda metade dos anos 90, para todos os temas de eventos, um declínio do percentual do MRE relativo aos representantes governamentais nas delegações. Na década de 2000 há relativa estabilidade. Na década de 2010, porém, o MRE amplia seu espaço na área de clima e, em ainda maior grau, nos temas de menor destaque (“Outros”). Nos “Outros”, a queda no percentual é baixa - se consideramos o IC da loess, não há diferença para a maior parte dos períodos (única mais relevante é 2000-2015 mais baixo do que 1980-1990)

4.4 Transformações do perfil das organizações ao longo do tempo

Vimos acima o número de organizações distintas nas delegações e o percentual relativo do MRE na composição da delegação brasileira (completa ou só governo). Abaixo, aprofundamos a análise sobre a diversificação da delegação a partir das organizações participantes nos eventos. Agora, porém, não olhamos para o número de organizações distintas presentes, mas sim para parcela de grupos dessas organizações na delegação. Se antes o número de indivíduos vinculados às organizações era irrelevante, agora passa a ser um fator importante.

freq_tipoorgs_tempo <- deleg_evento %>% 
  group_by(ano, tipo_org_reduzido) %>% 
  summarise(total = n()) %>% mutate(percentual = total / sum(total)) %>% 
  ungroup() %>% # incluir contagem de observações nulas (freq = 0)
  complete(ano, tipo_org_reduzido, fill = list(total = 0, percentual = 0))


freq_tipoorgs_tempo$tipo_org_reduzido[freq_tipoorgs_tempo$tipo_org_reduzido == "Governos subnacionais (Executivo, Legislativo, Empresas Públicas ou Autarquias)"] <- "Governos subnacionais"



freq_tipoorgs_tempo$tipo_factor <- factor(freq_tipoorgs_tempo$tipo_org_reduzido, 
                                      levels = c("Governo federal MRE", 
                                                 "Governo federal não-MRE", 
                                                 "Governos subnacionais",
                                                 "Legislativo federal",
                                                 "Sociedade civil, sindicatos, movimentos sociais", "Setor empresarial",
                                                 # "Sociedade civil e empresas"
                                                 "Órgãos de ensino e pesquisa",
                                                 "Outro",
                                                 "Não identificado"
                                                 ))

Agora a mesma figura, mas com menos orgaos

4.4.1 Comparação da composição por décadas

## `summarise()` has grouped output by 'decade'. You can override using the
## `.groups` argument.

Valores específicos para o texto: % MRE em 1990:0.4230769

% MRE em 2000:0.2066116

Média MRE nas décadas:

decade tipo_org_reduzido total percentual
70s Governo federal MRE 44 0.4680851
80s Governo federal MRE 44 0.5789474
90s Governo federal MRE 217 0.3060649
00s Governo federal MRE 297 0.1124148
10s Governo federal MRE 435 0.1037691
## `summarise()` has grouped output by 'decade'. You can override using the
## `.groups` argument.

## `summarise()` has grouped output by 'decade'. You can override using the
## `.groups` argument.

tipoorgs_decada %>% 
  mutate(tipo_org_reduzido = if_else( #diminuir categorias
    tipo_org_reduzido %in% c("Outro", "Não identificado"#,
                             #"Legislativo federal",
                             #"Órgãos de ensino e pesquisa"
                             ),
    "Outros", tipo_org_reduzido
  )) %>% group_by(decade, tipo_org_reduzido) %>% 
  summarise(percentual = sum(percentual)) %>% 
  knitr::kable(label = "% da comunidade por tipo org")
## `summarise()` has grouped output by 'decade'. You can override using the
## `.groups` argument.
decade tipo_org_reduzido percentual
70s Governo federal MRE 0.4680851
70s Governo federal não-MRE 0.3723404
70s Governos subnacionais 0.0212766
70s Legislativo federal 0.0212766
70s Outros 0.0638298
70s Setor empresarial 0.0425532
70s Sociedade civil 0.0000000
70s Órgãos de ensino e pesquisa 0.0106383
80s Governo federal MRE 0.5789474
80s Governo federal não-MRE 0.3684211
80s Governos subnacionais 0.0000000
80s Legislativo federal 0.0000000
80s Outros 0.0263158
80s Setor empresarial 0.0000000
80s Sociedade civil 0.0131579
80s Órgãos de ensino e pesquisa 0.0131579
90s Governo federal MRE 0.3060649
90s Governo federal não-MRE 0.4287729
90s Governos subnacionais 0.0677010
90s Legislativo federal 0.0056417
90s Outros 0.1170663
90s Setor empresarial 0.0380818
90s Sociedade civil 0.0098731
90s Órgãos de ensino e pesquisa 0.0267983
00s Governo federal MRE 0.1124148
00s Governo federal não-MRE 0.3459500
00s Governos subnacionais 0.1249054
00s Legislativo federal 0.0317941
00s Outros 0.1249054
00s Setor empresarial 0.1139288
00s Sociedade civil 0.0821347
00s Órgãos de ensino e pesquisa 0.0639667
10s Governo federal MRE 0.1037691
10s Governo federal não-MRE 0.3537691
10s Governos subnacionais 0.1507634
10s Legislativo federal 0.0732347
10s Outros 0.0763359
10s Setor empresarial 0.0932729
10s Sociedade civil 0.0894561
10s Órgãos de ensino e pesquisa 0.0593989

4.5 Medida de diversidade da comunidade: HHI index

Para medir a diversidade da comunidade, vamos calcular o Herfindahl-Hirschman Index. Trata-se de um indice usado para análise de concentração de mercado. Vamos avaliar a evolução no tempo do HHI das participações em organizações e das organizações em tipos_org.

# se quisermos dividido por década
tipoorgs_decada %>% group_by(decade) %>% summarise(hhi_tipoorg = sum(percentual^2)) %>% 
  knitr::kable(label = "HHI index concentração de tipo_org por década")
decade hhi_tipoorg
70s 0.3646446
80s 0.4719529
90s 0.2974630
00s 0.1848839
10s 0.1873396
# se quisermos por ano
hhi_tipoorg_ano <- freq_tipoorgs_tempo %>% group_by(ano) %>% summarise(hhi_tipoorg = sum(percentual^2))

knitr::kable(hhi_tipoorg_ano, label = "HHI index concentração de tipo_org (1970-2018)")
ano hhi_tipoorg
1970 0.7222222
1972 0.3496094
1973 0.3671875
1974 0.3750000
1975 0.5061728
1976 1.0000000
1977 0.5000000
1978 0.4320988
1979 0.4437870
1980 0.8200000
1981 1.0000000
1982 0.4200000
1983 1.0000000
1984 0.5555556
1985 0.5041322
1986 0.5000000
1987 0.4183673
1988 0.7551020
1989 0.5000000
1990 0.3284024
1991 0.3372781
1992 0.2646000
1993 0.3506764
1994 0.3342827
1995 0.4384000
1996 0.3622222
1997 0.3994490
1998 0.3511111
1999 0.4197384
2000 0.2671266
2001 0.2838045
2002 0.1914793
2003 0.3301351
2004 0.2007956
2005 0.2249349
2006 0.2890922
2007 0.1819602
2008 0.2217918
2009 0.1701782
2010 0.1477413
2011 0.1811556
2012 0.2272561
2013 0.1762523
2014 0.1722894
2015 0.2612469
2016 0.3247401
2017 0.3031328
2018 0.2894958

#### tabela HHI por tema
deleg_evento %>% 
  mutate(decade = cut(ano, breaks = c(1970, 1979, 1989, 1999, 2009, 2019),
               include.lowest = T,
               labels = c("70s","80s","90s","00s","10s"),
               ordered_result = TRUE)
  ) %>% 
  group_by(tema, tipo_org_reduzido) %>% 
  summarise(total = n()) %>% mutate(percentual = total / sum(total)) %>% 
  ungroup() %>% # incluir contagem de observações nulas (freq = 0)
  complete(tipo_org_reduzido, fill = list(total = 0, percentual = 0)) %>% 
  group_by(tema) %>% summarise(hhi_tipoorg = sum(percentual^2)) %>% 
  arrange(hhi_tipoorg) %>% 
  knitr::kable(label = "HHI dos tipos de organização, dividido por tema")
## `summarise()` has grouped output by 'tema'. You can override using the
## `.groups` argument.
tema hhi_tipoorg
Clima 0.1488727
Grandes conferências ONU 0.1995983
Biodiversidade - CBD 0.3031411
Florestas 0.3388480
Biodiversidade - Espécies 0.3627959
Desertificação 0.3979750
Ozônio 0.4513379
Biodiversidade - Plantas 0.4780521
Lixo tóxico e químicos 0.4930730
Oceano 0.5448364
Governança ambiental 0.6406036
Biodiversidade - UNESCO 0.9050000
#### tabela HHI tema por década
deleg_evento %>% 
  mutate(decade = cut(ano, breaks = c(1970, 1979, 1989, 1999, 2009, 2019),
               include.lowest = T,
               labels = c("70s","80s","90s","00s","10s"),
               ordered_result = TRUE)
  ) %>% 
  group_by(decade, tema, tipo_org_reduzido) %>% 
  summarise(total = n()) %>% mutate(percentual = total / sum(total)) %>% 
  ungroup() %>% # incluir contagem de observações nulas (freq = 0)
  complete(tipo_org_reduzido, fill = list(total = 0, percentual = 0)) %>% 
  group_by(decade, tema) %>% 
  summarise(hhi_tipoorg = sum(percentual^2)) %>%
  arrange(tema, decade) %>% 
  knitr::kable(label = "HHI dos tipos de organização, dividido por tema e década")
## `summarise()` has grouped output by 'decade', 'tema'. You can override using
## the `.groups` argument.
## `summarise()` has grouped output by 'decade'. You can override using the
## `.groups` argument.
decade tema hhi_tipoorg
80s Biodiversidade - CBD 0.5000000
90s Biodiversidade - CBD 0.3938248
00s Biodiversidade - CBD 0.3870294
10s Biodiversidade - CBD 0.2660760
70s Biodiversidade - Espécies 1.0000000
80s Biodiversidade - Espécies 0.4876033
90s Biodiversidade - Espécies 0.3958333
00s Biodiversidade - Espécies 0.3726339
10s Biodiversidade - Espécies 0.3368056
90s Biodiversidade - Plantas 0.5088889
00s Biodiversidade - Plantas 0.4739229
10s Biodiversidade - Plantas 0.5478395
70s Biodiversidade - UNESCO 1.0000000
80s Biodiversidade - UNESCO 1.0000000
90s Biodiversidade - UNESCO 0.5555556
10s Biodiversidade - UNESCO 1.0000000
90s Clima 0.3372081
00s Clima 0.1545316
10s Clima 0.1463210
90s Desertificação 0.4359375
00s Desertificação 0.4019228
10s Desertificação 0.4542936
70s Florestas 0.4049587
80s Florestas 0.5200000
90s Florestas 0.5555556
00s Florestas 0.5046826
10s Florestas 0.3365878
70s Governança ambiental 0.7222222
80s Governança ambiental 0.8024691
10s Governança ambiental 0.5000000
70s Grandes conferências ONU 0.3615778
90s Grandes conferências ONU 0.2433551
00s Grandes conferências ONU 0.1841689
10s Grandes conferências ONU 0.2273794
90s Lixo tóxico e químicos 0.3472222
00s Lixo tóxico e químicos 0.5225922
10s Lixo tóxico e químicos 0.4873204
70s Oceano 0.3622222
80s Oceano 0.4687500
90s Oceano 0.4266118
00s Oceano 0.7420361
10s Oceano 0.6130073
80s Ozônio 0.3750000
90s Ozônio 0.3930667
00s Ozônio 0.5055402
10s Ozônio 0.4882645

4.6 Evolução da participação de organizações específicas

orgs_princ <- deleg_evento %>% 
  mutate(org = case_when(
    org_limpo == "Ministério das Relações Exteriores" ~ "Ministério das Relações Exteriores",
    tipo_org == "Laboratórios, centros e institutos de pesquisa vinculados ao MCT" ~
      "Ministério da Ciência e Tecnologia",
    id_org_unica %in% c(23, 422, 553, 131) ~ "Ministério da Ciência e Tecnologia",
    id_org_unica %in% c(442, 324, 333, 555) ~ "Ministério do Meio Ambiente",
    # id_org_unica %in% c(326, 576, 441) ~ "Ministério do Meio Ambiente",
    id_org_unica %in% c(214, 421, 326) ~ "Ministério da Agricultura, Pecuária e Abastecimento",
    id_org_unica %in% c(436, 137, 40, 124, 218) ~ "Ministério de Minas e Energia",
     id_org_unica %in% c(427, 699, 425, 97, 444, 556) ~ "Ministérios econômicos",
  )) %>% 
  mutate(org = if_else(is.na(org), "Outro", org))

# No MMA: Foram incluídos SEMAM-PR (555), IBAMA (324), ICMBio (333). Não inclusão de IBDF (326), SFB (576), M Interior (441)
# No MCT: AEB (23), CIMGC (131), laboratórios nacionais e afins (por meio do tipo) - inclusive o INPE (352) e o INPA (351), SCT-PR (553)
# No MME: Comissão Nacional de Energia Nuclear (137), CNPE -  Conselho Nacional de Política Energética (140), ANEEL (40), CEPEL - Centro de Pesquisas de Energia Elétrica (124), Empresa de Pesquisa Energética (218). Não inclusão de Petrobrás (517), Eletrobrás (212), Furnas (303), Itaipu (400), Vale (155)
# Ministérios econômicos: MFaz (427), MEFP [collor] (699), M Econ [bols] (425), CADE (97), MPOG (444), SEPLAN-PR(556). Não inclusão: Casa da Moeda do Brasil (107), Banco Central (69), CVM (189), BNDES (86), Caixa (98), BB (71), BNB (72), etc
# No MAPA: Embrapa (214), IBDF (326)

Órgãos incluídos: No MMA: Foram incluídos SEMAM-PR (555), IBAMA (324), ICMBio (333). Não inclusão de IBDF (326), SFB (576), M Interior (441) No MCT: AEB (23), CIMGC (131), laboratórios nacionais e afins (por meio do tipo) - inclusive o INPE (352) e o INPA (351), SCT-PR (553) No MME: Comissão Nacional de Energia Nuclear (137), CNPE - Conselho Nacional de Política Energética (140), ANEEL (40), CEPEL - Centro de Pesquisas de Energia Elétrica (124), Empresa de Pesquisa Energética (218). Não inclusão de Petrobrás (517), Eletrobrás (212), Furnas (303), Itaipu (400), Vale (155) Ministérios econômicos: MFaz (427), MEFP [collor] (699), M Econ [bols] (425), CADE (97), MPOG (444), SEPLAN-PR(556). Não inclusão: Casa da Moeda do Brasil (107), Banco Central (69), CVM (189), BNDES (86), Caixa (98), BB (71), BNB (72), etc

Vê-se que a participação para além do MMA, MRE e MCT é praticamente nula. No final da década de 2010, nota-se aumento da participação do MAPA. Vale a pena analisar se esse comportamento muda quando separamos as delegações por temas específicos. Abaixo, seguem os gráficos separados para Clima, Biodiversidade, Desenvolvimento Sustentável e Outros temas.

freq_minist_tema <- orgs_princ %>% 
  mutate(
    Tema = case_when (
           tema == "Clima" ~ "Clima",
           tema == "Biodiversidade - CBD" ~ "Biodiversidade",
           tema == "Grandes conferências ONU" ~ "Des. Sustentável",
           tema != "Clima" & tema != "Grandes conferências ONU" &
             tema != "Biodiversidade - CBD" ~ "Outros",
           )
    ) %>% 
  group_by(ano, Tema, org) %>% 
  summarise(total_org = n()) %>% mutate(percentual = total_org / sum(total_org)) %>% 
  ungroup() %>% 
  filter(org %in% c("Ministério das Relações Exteriores",
                    "Ministério do Meio Ambiente", 
                    "Ministério da Ciência e Tecnologia",
                    "Ministério da Agricultura, Pecuária e Abastecimento",
                    "Ministério de Minas e Energia",
                    "Ministérios econômicos"
                    
  )) %>% 
  # incluir contagem de observações nulas (freq = 0)
  complete(ano, Tema, org, 
           fill = list(total_org = 0, percentual = 0),
           explicit = FALSE)

temasano <- orgs_princ %>% 
  mutate(
    Tema = case_when (
           tema == "Clima" ~ "Clima",
           tema == "Biodiversidade - CBD" ~ "Biodiversidade",
           tema == "Grandes conferências ONU" ~ "Des. Sustentável",
           tema != "Clima" & tema != "Grandes conferências ONU" &
             tema != "Biodiversidade - CBD" ~ "Outros",
           )
    ) %>% select(ano, Tema) %>% distinct() %>% 
  mutate(anotema = paste0(ano, Tema))

freq_minist_tema <- freq_minist_tema %>% 
  mutate(
  total_org = if_else(paste0(ano, Tema) %in% pull(temasano, anotema), total_org, NA ),
  percentual = if_else(paste0(ano, Tema) %in% pull(temasano, anotema), percentual, NA )
                            )

4.6.1 Especificação alternativa: % só governo

deleg_evento %>% 
  # calcular dados do tamanho da comunidade só governo
  filter(tipo_org_reduzido %in% c("Governo federal MRE", "Governo federal não-MRE")) %>% 
  group_by(ano) %>% summarise(govcommunity_size = n()) %>% 
  # incluir em freq ministerios
  right_join(freq_minist_tempo) %>% 
  mutate(percentual_sogov = total_org / govcommunity_size) -> freq_minist_tempo
  
# para freq minist tema calcular comunidade gov por tema

deleg_evento %>% 
  # calcular dados do tamanho da comunidade só governo
  filter(tipo_org_reduzido %in% c("Governo federal MRE", "Governo federal não-MRE")) %>% 
  mutate(
    Tema = case_when (
           tema == "Clima" ~ "Clima",
           tema == "Biodiversidade - CBD" ~ "Biodiversidade",
           tema == "Grandes conferências ONU" ~ "Des. Sustentável",
           tema != "Clima" & tema != "Grandes conferências ONU" &
             tema != "Biodiversidade - CBD" ~ "Outros",
           )
    ) %>% 
  group_by(ano, Tema) %>% summarise(govcommunity_size = n()) %>% 
  right_join(freq_minist_tema) %>% 
  # incluir em freq ministerios
  right_join(freq_minist_tema) %>% 
  mutate(percentual_sogov = total_org / govcommunity_size) -> freq_minist_tema

Gráfico % comunidade governo federal ocupado por cada ministério

Quebrando agora a participação por tema

Tabelas comparando percentuais médios dos ministérios para consulta caso necessário.

freq_minist_tempo %>% group_by(org) %>% summarise(avg = mean(percentual), 
                                                  sd = sd(percentual),
                                                  avg_sogov = mean(percentual_sogov), 
                                                  sd_sogov = sd(percentual_sogov)) %>% 
  knitr::kable(caption = "% médio das orgs na comunidade")
% médio das orgs na comunidade
org avg sd avg_sogov sd_sogov
Ministério da Agricultura, Pecuária e Abastecimento 0.1083895 0.2188163 0.1276838 0.2160821
Ministério da Ciência e Tecnologia 0.0455495 0.0558902 0.0726821 0.0780811
Ministério das Relações Exteriores 0.3213802 0.2412449 0.4207975 0.2358383
Ministério de Minas e Energia 0.0045123 0.0084209 0.0077036 0.0143715
Ministério do Meio Ambiente 0.0996457 0.1053092 0.1603721 0.1514436
Ministérios econômicos 0.0059132 0.0098508 0.0096647 0.0149805
freq_minist_tempo %>% 
  mutate(decade = cut(ano, breaks = c(1970, 1979, 1989, 1999, 2009, 2019),
               include.lowest = T,
               labels = c("70s","80s","90s","00s","10s"),
               ordered_result = TRUE)) %>% 
  group_by(org, decade) %>% summarise(avg = mean(percentual), 
                                                  sd = sd(percentual),
                                                  avg_sogov = mean(percentual_sogov), 
                                                  sd_sogov = sd(percentual_sogov)) %>% 
  knitr::kable(caption = "% médio das orgs na comunidade por década")
## `summarise()` has grouped output by 'org'. You can override using the `.groups`
## argument.
% médio das orgs na comunidade por década
org decade avg sd avg_sogov sd_sogov
Ministério da Agricultura, Pecuária e Abastecimento 70s 0.1687144 0.3315825 0.1755698 0.3340021
Ministério da Agricultura, Pecuária e Abastecimento 80s 0.2512771 0.3289902 0.2546898 0.3279683
Ministério da Agricultura, Pecuária e Abastecimento 90s 0.0397610 0.0396326 0.0499336 0.0478376
Ministério da Agricultura, Pecuária e Abastecimento 00s 0.0407746 0.0155934 0.0786360 0.0272323
Ministério da Agricultura, Pecuária e Abastecimento 10s 0.0406825 0.0342422 0.0795665 0.0492608
Ministério da Ciência e Tecnologia 70s 0.0000000 0.0000000 0.0000000 0.0000000
Ministério da Ciência e Tecnologia 80s 0.0000000 0.0000000 0.0000000 0.0000000
Ministério da Ciência e Tecnologia 90s 0.1130509 0.0510435 0.1480804 0.0558807
Ministério da Ciência e Tecnologia 00s 0.0759134 0.0544482 0.1392112 0.0771228
Ministério da Ciência e Tecnologia 10s 0.0329705 0.0114883 0.0684249 0.0201959
Ministério das Relações Exteriores 70s 0.4336717 0.2442293 0.5188746 0.2741108
Ministério das Relações Exteriores 80s 0.5516450 0.2992258 0.5756133 0.3128872
Ministério das Relações Exteriores 90s 0.3490845 0.0981993 0.4753786 0.1556081
Ministério das Relações Exteriores 00s 0.1309834 0.0448707 0.2511807 0.0590118
Ministério das Relações Exteriores 10s 0.1340087 0.0468783 0.2785202 0.0842265
Ministério de Minas e Energia 70s 0.0000000 0.0000000 0.0000000 0.0000000
Ministério de Minas e Energia 80s 0.0000000 0.0000000 0.0000000 0.0000000
Ministério de Minas e Energia 90s 0.0062257 0.0099038 0.0078635 0.0119711
Ministério de Minas e Energia 00s 0.0122189 0.0116466 0.0232394 0.0219375
Ministério de Minas e Energia 10s 0.0035716 0.0051375 0.0065268 0.0081581
Ministério do Meio Ambiente 70s 0.0000000 0.0000000 0.0000000 0.0000000
Ministério do Meio Ambiente 80s 0.0250000 0.0790569 0.0250000 0.0790569
Ministério do Meio Ambiente 90s 0.1831370 0.1089798 0.2359875 0.1240043
Ministério do Meio Ambiente 00s 0.1394577 0.0602507 0.2639604 0.0864224
Ministério do Meio Ambiente 10s 0.1452277 0.0975191 0.2720425 0.1248229
Ministérios econômicos 70s 0.0034722 0.0104167 0.0042735 0.0128205
Ministérios econômicos 80s 0.0000000 0.0000000 0.0000000 0.0000000
Ministérios econômicos 90s 0.0129005 0.0146338 0.0173432 0.0194198
Ministérios econômicos 00s 0.0063783 0.0050250 0.0129857 0.0106609
Ministérios econômicos 10s 0.0066438 0.0089418 0.0135728 0.0186502
freq_minist_tema %>% filter(!is.na(percentual) & !is.na(percentual_sogov)) %>% 
                              group_by(org, Tema) %>% summarise(avg = mean(percentual), 
                                                  sd = sd(percentual),
                                                  avg_sogov = mean(percentual_sogov), 
                                                  sd_sogov = sd(percentual_sogov)) %>% 
  mutate(coef_var = sd/avg, coef_var_sogov = sd_sogov / avg_sogov) %>% 
  knitr::kable(caption = "% médio das orgs na comunidade, por tema")
## `summarise()` has grouped output by 'org'. You can override using the `.groups`
## argument.
% médio das orgs na comunidade, por tema
org Tema avg sd avg_sogov sd_sogov coef_var coef_var_sogov
Ministério da Agricultura, Pecuária e Abastecimento Biodiversidade 0.1221783 0.1102824 0.1470514 0.1040400 0.9026347 0.7075077
Ministério da Agricultura, Pecuária e Abastecimento Clima 0.0159366 0.0260550 0.0390509 0.0476053 1.6349090 1.2190557
Ministério da Agricultura, Pecuária e Abastecimento Des. Sustentável 0.0115760 0.0136171 0.0174180 0.0176234 1.1763202 1.0117903
Ministério da Agricultura, Pecuária e Abastecimento Outros 0.1325397 0.2190036 0.1400121 0.2191388 1.6523615 1.5651427
Ministério da Ciência e Tecnologia Biodiversidade 0.0720435 0.0830126 0.0831781 0.0817013 1.1522561 0.9822443
Ministério da Ciência e Tecnologia Clima 0.1481313 0.1176976 0.2437624 0.1320618 0.7945490 0.5417644
Ministério da Ciência e Tecnologia Des. Sustentável 0.0136776 0.0153603 0.0276364 0.0278129 1.1230185 1.0063856
Ministério da Ciência e Tecnologia Outros 0.0180373 0.0326111 0.0212053 0.0389852 1.8079803 1.8384672
Ministério das Relações Exteriores Biodiversidade 0.2320745 0.1600681 0.2737876 0.1441478 0.6897269 0.5264952
Ministério das Relações Exteriores Clima 0.2197490 0.2290918 0.3381892 0.2027035 1.0425159 0.5993791
Ministério das Relações Exteriores Des. Sustentável 0.3252829 0.3243027 0.4529381 0.3479841 0.9969868 0.7682817
Ministério das Relações Exteriores Outros 0.4140084 0.2161419 0.4657741 0.2185845 0.5220713 0.4692928
Ministério de Minas e Energia Biodiversidade 0.0000000 0.0000000 0.0000000 0.0000000 NaN NaN
Ministério de Minas e Energia Clima 0.0137991 0.0194876 0.0272892 0.0370728 1.4122351 1.3585156
Ministério de Minas e Energia Des. Sustentável 0.0065339 0.0062065 0.0147204 0.0151731 0.9498924 1.0307482
Ministério de Minas e Energia Outros 0.0002391 0.0016389 0.0002997 0.0020544 6.8556546 6.8556546
Ministério do Meio Ambiente Biodiversidade 0.2654417 0.1594356 0.3520801 0.1917535 0.6006426 0.5446305
Ministério do Meio Ambiente Clima 0.0870294 0.0673150 0.1726416 0.1180164 0.7734741 0.6835921
Ministério do Meio Ambiente Des. Sustentável 0.0361064 0.0359632 0.0809653 0.0868384 0.9960339 1.0725392
Ministério do Meio Ambiente Outros 0.1708514 0.1503875 0.1970501 0.1723581 0.8802239 0.8746917
Ministérios econômicos Biodiversidade 0.0052422 0.0187061 0.0066264 0.0223475 3.5683395 3.3725190
Ministérios econômicos Clima 0.0101892 0.0119034 0.0216748 0.0218547 1.1682375 1.0083007
Ministérios econômicos Des. Sustentável 0.0207261 0.0193001 0.0352222 0.0341466 0.9311954 0.9694607
Ministérios econômicos Outros 0.0021030 0.0087976 0.0023622 0.0098200 4.1833440 4.1571907
orgs_princ %>% 
  filter(str_detect(org, "Agricultur")) %>% 
  left_join(eventos %>% select(conf, conference, tema)) %>% 
  mutate(decade = cut(ano, breaks = c(1970, 1979, 1989, 1999, 2009, 2019),
               include.lowest = T,
               labels = c("70s","80s","90s","00s","10s"),
               ordered_result = TRUE)) %>% 
  group_by(decade, tema) %>% summarize(n()) %>% 
  knitr::kable(label = "Participações MAPA (tema)")
## Joining with `by = join_by(conf, tema)`
## `summarise()` has grouped output by 'decade'. You can override using the
## `.groups` argument.
decade tema n()
70s Biodiversidade - Espécies 2
70s Florestas 4
70s Grandes conferências ONU 1
80s Biodiversidade - CBD 1
80s Biodiversidade - Espécies 5
80s Florestas 5
90s Biodiversidade - CBD 8
90s Biodiversidade - Espécies 1
90s Biodiversidade - Plantas 9
90s Desertificação 2
90s Grandes conferências ONU 3
90s Ozônio 2
00s Biodiversidade - CBD 22
00s Biodiversidade - Plantas 24
00s Clima 25
00s Desertificação 3
00s Lixo tóxico e químicos 13
00s Ozônio 9
10s Biodiversidade - CBD 32
10s Biodiversidade - Plantas 25
10s Clima 46
10s Florestas 3
10s Grandes conferências ONU 12
10s Lixo tóxico e químicos 5
10s Ozônio 1
orgs_princ %>% 
  filter(str_detect(org, "Agricultur")) %>% 
  left_join(eventos %>% select(conf, conference, tema)) %>% 
  mutate(decade = cut(ano, breaks = c(1970, 1979, 1989, 1999, 2009, 2019),
               include.lowest = T,
               labels = c("70s","80s","90s","00s","10s"),
               ordered_result = TRUE)) %>% 
  group_by(decade, conference) %>% summarize(n()) %>% 
  knitr::kable(label = "Participações MAPA (conference)")
## Joining with `by = join_by(conf, tema)`
## `summarise()` has grouped output by 'decade'. You can override using the
## `.groups` argument.
decade conference n()
70s Convention on International Trade in Endangered Species of Wild Fauna and Flora 2
70s FAO Committee on Forestry 4
70s UNCHE 1
80s Convention on Biological Diversity 1
80s Convention on International Trade in Endangered Species of Wild Fauna and Flora 4
80s Convention on Migratory Species 1
80s FAO Committee on Forestry 5
90s Convention on Biological Diversity 8
90s Convention on International Trade in Endangered Species of Wild Fauna and Flora 1
90s International Plant Protection Convention 1
90s International Treaty on Plant Genetic Resources for Food and Agriculture 8
90s Montreal Protocol on Substances that Deplete the Ozone Layer 2
90s UN Convention to Combat Desertification 2
90s UNCED 3
00s Basel Convention on the Control of Transboundary Movements of Hazardous Wastes and their Disposal 1
00s Convention on Biological Diversity 22
00s International Conference on Chemicals Management 1
00s International Plant Protection Convention 21
00s International Treaty on Plant Genetic Resources for Food and Agriculture 3
00s Montreal Protocol on Substances that Deplete the Ozone Layer 9
00s Rotterdam Convention on the Prior Informed Consent Procedure for Certain Hazardous Chemicals and Pesticides in International Trade 2
00s Stockholm Convention on Persistent Organic Pollutants 9
00s UN Convention to Combat Desertification 3
00s UNFCCC 25
10s Basel Convention on the Control of Transboundary Movements of Hazardous Wastes and their Disposal 3
10s Convention on Biological Diversity 32
10s FAO Committee on Forestry 3
10s International Plant Protection Convention 25
10s Montreal Protocol on Substances that Deplete the Ozone Layer 1
10s Rotterdam Convention on the Prior Informed Consent Procedure for Certain Hazardous Chemicals and Pesticides in International Trade 1
10s Stockholm Convention on Persistent Organic Pollutants 1
10s UNCSD 12
10s UNFCCC 46